[发明专利]一种基于人类运动显著轨迹的视频分类方法

摘要

本发明涉及一种基于人类运动显著轨迹的视频分类方法，包括以下步骤将视频集M划分成训练集Mt和测试集Mv，使用SIFT和稠密光流技术在多尺度空间上跟踪每一个视频中人类运动信息，获得每一个视频的运动显著轨迹；分别提取每个轨迹的特征描述向量；使用PCA方法消除特征描述向量中的冗余信息，对每一类特征描述向量进行降维；利用高斯混合模型对训练集Mt中的特征描述向量进行聚类，再使用Fisher Vector方法生成视频集M中每一个视频的Fisher向量；在训练集Mt上，构建线性SVM分类模型；在测试集Mv上，使用该线性SVM分类模型对测试集中的视频进行分类。与现有技术相比，本发明具有鲁棒性好、计算效率高等优点。

主权项

一种基于人类运动显著轨迹的视频分类方法，其特征在于，包括以下步骤：步骤1：将视频集M划分成训练集Mt和测试集Mv，使用SIFT和稠密光流技术在多尺度空间上跟踪每一个视频中人类运动信息，获得每一个视频的运动显著轨迹；步骤2：分别提取每个轨迹的特征描述向量，所述的特征描述向量包括梯度直方图向量、光流直方图向量、x分量运动边界直方图向量和y分量运动边界直方图向量；步骤3：使用PCA方法消除特征描述向量中的冗余信息，对每一类特征描述向量进行降维；步骤4：利用高斯混合模型对训练集Mt中的特征描述向量进行聚类，再使用Fisher Vector生成视频集M中每一个视频的Fisher向量；步骤5：在训练集Mt上，使用其中所有视频的Fisher向量做为线性SVM的输入，构建线性SVM分类模型，输出训练好的线性SVM分类模型；步骤6：在测试集Mv上，使用步骤5获得的线性SVM分类模型对测试集中的视频进行分类；步骤1中，所述的使用SIFT和稠密光流技术在多尺度空间上跟踪每一个视频中人类运动信息，获得每一个视频的运动显著轨迹具体为：1a)循环提取视频中的每一帧图像，以为缩放因子构建尺度空间，设某一尺度空间上当前帧图像为Ik，前一帧图像为Ik‑1；1b)使用SIFT技术检测每一帧图像的显著点P＝{Pi,i＝1,···,m}，m为显著点总数；1c)使用随机抽样一致算法估计摄像机的运动变化矩阵H，设某点的原始坐标为R＝(x,y,1)T，则消除摄像机运动后的坐标为Q＝H·R，通过该方法，重新计算当前视频帧I'k，消除摄像机的运动信息，x、y分别为点R的横坐标和纵坐标；1d)使用Gunnar Farneback的稠密光流算法，在某一尺度空间上，根据Ik‑1与I'k计算稠密光流矩阵，该计算过程通过OPENCV中的calcOpticalFlowFarneback函数实现；1e)在某一尺度空间上，计算前一帧Ik‑1中点Pk‑1在当前帧Ik中的位置其中W为稠密光流矩阵；1f)在多尺度空间上，通过稠密光流跟踪每一个显著点，形成运动显著轨迹。